AI a tudományban: száznál több matematikai problémát oldott meg és laborban kísérletezik. Mire jó ez a te cégednek?

Szeptember második felére az AI a tudományban olyan eredményeket ért el, amelyekre egy éve még a legmerészebb jóslatok sem mertek fogadni: az OpenAI a TechCrunch szeptember 21-i beszámolója szerint bejelentette, hogy belső modellje száznál több régóta nyitott matematikai problémát oldott meg, ezért a princetoni Institute for Advanced Study (IAS) égisze alatt független matematikai tanácsadó testületet állított fel. Néhány nappal korábban az Anthropic megerősítette, hogy a Bay Area-ben saját biológiai laborja működik, ahol a Claude valódi kísérleteket végez, szeptember elején pedig egy Claude-ügynökökből álló csapat 11 nap alatt géppel ellenőrizhető formába fordította le a nagy Fermat-tétel bizonyítását.

Első ránézésre mindez fényévekre van egy 20 fős győri gépgyártó cég vagy egy pécsi fogászati rendelő hétköznapjaitól. A technológia azonban, amely egy matematikai bizonyítást vagy egy laborkísérletet végigvisz, szerkezetében ugyanaz, mint amelyik egy ajánlatkérést, egy versenytárs-elemzést vagy egy piackutatást is végig tud vinni: részfeladatokra bont, párhuzamosan dolgozik, a végén pedig egy szigorú ellenőrzésen méri le a saját munkáját. A 2026. szeptember 22-i állapot szerint összefoglaljuk, mi történt pontosan, mennyi igazság van a nagy számok mögött és hogyan működik a kutató-ügynökök módszere, végül egy kiszámolt példán végigvesszük, hogyan lesz egy kéthetes piackutatásból néhány napos munka.

Röviden

• Az OpenAI a TechCrunch szeptember 21-i beszámolója szerint bejelentette, hogy belső modellje száznál több régóta nyitott matematikai problémát oldott meg, az eredmények értékelésére pedig kilenc elismert matematikusból álló, fizetés nélkül dolgozó tanácsadó testületet hozott létre a princetoni Institute for Advanced Study keretében.
• Szeptember 8-án az OpenAI azt közölte, hogy nagyjából tízezer párhuzamosan futó AI-ügynök 88 óra alatt megoldotta a Navier-Stokes-egyenletekhez kapcsolódó millenniumi problémát, a bizonyítást pedig további 17 óra alatt Lean nyelven géppel ellenőrizhető formába is átírták.
• Az Anthropic kutatói egy Claude-ügynökcsapattal 11 nap alatt, körülbelül 6 milliárd kimeneti tokenből 13 millió sornyi Lean-kódba fordították le a nagy Fermat-tétel bizonyítását, amelynek emberi formalizálására Kevin Buzzard londoni matematikus 2024-ben ötéves projektet indított.
• Az Anthropic megerősítette, hogy a Bay Area-ben saját „nedves” biológiai laborja működik, ahol AI-modellek, köztük a Claude segítségével fizikai kísérleteket végeznek, a cég élettudományi vezetője szerint ugyanis a biológiában a végső próba még sokáig a valódi labormunka marad.
• Az AI a tudományban ugyanazzal a módszerrel dolgozik, amelyet egy KKV is használhat: a feladat részekre bontása, párhuzamosan futó ügynökök, szigorú ellenőrzés és ritka, de határozott emberi irányítás.
• Saját becslésünk szerint egy képzeletbeli 14 fős cég kéthetes piackutatása ezzel a módszerrel két-három munkanapra rövidülhet nagyjából 1 200 és 11 000 Ft közötti modellköltség mellett, feltéve, hogy a források és a számok ellenőrzését ember végzi.

Mi történt: az OpenAI matematikai tanácsadó testülete és a Claude Fermat-bizonyítása 11 nap alatt

Szeptemberben három nagy matematikai AI-hír jött egymás után: az Anthropic Claude-ügynökei 11 nap alatt géppel ellenőrizhetővé tették a nagy Fermat-tétel bizonyítását, az OpenAI ügynökrendszere a cég szerint megoldotta a Navier-Stokes-problémát, majd az OpenAI száznál több további megoldott problémát jelentett be és független matematikai tanácsadó testületet állított fel.

A sorrend azért tanulságos, mert jól mutatja, milyen gyorsan változott meg a terep néhány hét alatt. Szeptember elején még az volt a kérdés, képes-e egy AI egy ismert, emberek által már felfedezett bizonyítást hibátlanul gépi nyelvre átírni, a hónap végére viszont arról szólt a vita, ki és milyen szabályok szerint ellenőrizze a gépek által ontott új eredményeket.

Fermat 11 nap alatt, 13 millió sornyi Lean-kódban

Az Anthropic szeptember 4-én közzétett kutatási beszámolója szerint egy belső, általános célú kutatási modell (a cég megfogalmazásában nagyjából a Claude Fable 5.1 szintjén) több tucat párhuzamosan dolgozó ügynökkel 11 nap alatt formalizálta a nagy Fermat-tétel bizonyítását. A formalizálás azt jelenti, hogy a matematikusok által emberi nyelven, képletekkel és hivatkozásokkal leírt bizonyítást egy olyan programozási nyelvre fordítják le, amelyben a számítógép minden egyes lépés helyességét ellenőrizni tudja. A gépek Andrew Wiles bizonyításának Darmon, Diamond és Taylor által 1995-ben leírt, egyszerűsített változatát követték.

Az eredmény méretei nehezen elképzelhetők: 13 millió sor Lean-kód és 30 300 bizonyított tétel, amelyből 29 500 kellett a végső bizonyításhoz. Az Anthropic szerint ez több mint ötszöröse a Lean közösségi matematikai könyvtárának, a Mathlibnek, amelyet több száz matematikus és programozó épít évek óta. A munkához körülbelül 6 milliárd kimeneti token fogyott, amit a The Next Web szerkesztősége millió tokenenként 50 dolláros listaárral nagyjából 300 000 dollárra becsült. Kerekített 320 Ft-os dollárárfolyammal ez durván 96 millió forint, ami soknak tűnik, de a viszonyítási pont is beszédes: Kevin Buzzard, az Imperial College London matematikusa 2024-ben egy ötéves, nagyjából egymillió fontos keretből indította el ugyanennek a bizonyításnak az emberi formalizálását.

Az emberi közreműködés a beszámoló szerint alkalmi, magas szintű utasításokra korlátozódott. Két ilyen utasítást szó szerint is közöltek, saját fordításunkban így hangzanak: „a Jacobi-varietás sémaként való felépítése magas prioritásúnak tűnik” és „nyomjátok a Mazur-részt, hogy hamar kész legyen”. A korai próbálkozások a The Next Web szerint elakadtak, a fordulatot egy Prove2Me nevű koordinációs platform hozta, amely irányított körmentes gráfban (angolul directed acyclic graph, DAG) tartotta nyilván, melyik tétel melyikre épül, melyiken dolgozik éppen valamelyik ügynök és melyik van már kész. A zsákutcák sem tűntek el nyomtalanul, mert az Anthropic adatai szerint a sikertelen próbálkozások a nem sablonszerű kódsorok nagyjából 7%-át adták.

Kevin Buzzard, aki átnézte az elkészült munkát, az Anthropic beszámolójában rendkívüli autoformalizálási teljesítménynek nevezte, amely a matematika axiómáin kívül semmilyen feltevést nem használ. A The Next Webnek viszont azt is elmondta (saját fordításunkban), hogy a gépi bizonyítás „csak hűen követi a korai szakirodalmat és semmit nem tesz hozzá”. Új matematika tehát nem született, egy meglévő, emberek által felfedezett bizonyítás kapott gépi pecsétet. Buzzard szerint a valódi tanulság máshol van: ha egy AI-rendszer több ezer oldalnyi matematikát tizenegy nap alatt végig tud formalizálni, akkor a friss kutatások szinte valós idejű gépi ellenőrzése is elérhető közelségbe kerül. A The Next Web elemzése szerint ezzel a szűk keresztmetszet a bizonyítás megírásáról az elolvasására helyeződik át.

Navier-Stokes: tízezer ügynök és 88 óra

Az OpenAI szeptember 8-án tette közzé, hogy egy belső modellre épülő, nagyjából tízezer egyidejűleg futó ügynökből álló rendszer bebizonyította: a háromdimenziós, sima folyadékmozgás véges idő alatt szingularitást fejleszthet ki. Egyszerűbben fogalmazva a folyadékok mozgását leíró Navier-Stokes-egyenletek bizonyos feltételek mellett végtelen sebességet produkálhatnak, miközben a rendszer energiája véges marad. A Navier-Stokes-probléma a Clay Matematikai Intézet millenniumi problémáinak egyike, amelyek megoldásáért egyenként egymillió dollár jár, az OpenAI a saját bejegyzése szerint a hivatalos problémaleírás két állítását (a C és D jelűt) rendezte.

Az OpenAI adatai szerint az ügynököknek 88 óra kellett a megoldáshoz, további 17 óra a Lean-formalizáláshoz, közben pedig 2,7 millió üzenetet váltottak és körülbelül 130 milliárd kimeneti tokent állítottak elő. A Quanta Magazine szerint Sébastien Bubeck, az OpenAI matematikusa több millió dollárra becsülte a futtatás költségét. Az OpenAI azt is leírta, hogy nem kíván igényt tartani a millenniumi díjra.

A történetnek emberi hősei és vitái is vannak. A Quanta beszámolója szerint a megközelítés alapjául szolgáló stratégiát Diego Córdoba (madridi Matematikai Tudományok Intézete) és Luis Martínez-Zoroa (CUNEF Egyetem) dolgozta ki, Charles Fefferman princetoni matematikus pedig egyenesen őket nevezte a történet igazi hőseinek. Tristan Buckmaster és az Anthropicnál dolgozó Levent Alpöge 12 órával az OpenAI előtt jelentette be a rokon Euler-egyenletekre vonatkozó eredményét. Buckmaster felvetette, hogy az OpenAI ügynökei közvetve hozzáférhettek az ő munkájukhoz, az OpenAI viszont a saját bejegyzésében azt írta, hogy a versenytársak munkája nem befolyásolta a bizonyítást. Az OpenAI az Euler-eredmény elsőbbségét Buckmasteréknek tulajdonítja, a Navier-Stokes-eredményt viszont a sajátjának tekinti.

Száznál több megoldott probléma és egy kilencfős testület

Szeptember 21-én, hétfőn jött a következő bejelentés. Az OpenAI a TechCrunch beszámolója szerint azt közölte, hogy belső modellje száznál több további, régóta nyitott problémát oldott meg a matematika legtöbb területén, egyúttal pedig létrehozta a Matematikai és Mesterséges Intelligencia Tanácsadó Csoportot (Advisory Group on Mathematics and Artificial Intelligence), amelynek a princetoni Institute for Advanced Study ad otthont.

A kilenc alapító tag François Charles, Camillo De Lellis, Timothy Gowers, Martin Hairer, Nikhil Srivastava, Ulrike Tillmann, Ravi Vakil, Edward Witten és Melanie Matchett Wood. A tagok fizetést nem kapnak, kérés nélkül is adhatnak tanácsot, nyilvánosan is kifejthetik a véleményüket, a testület összetételéről pedig maguk döntenek. Egy dologba viszont nincs beleszólásuk: az OpenAI a TechCrunch által idézett közleményben (saját fordításunkban) kimondta, hogy a csoport nem felel azért, hogy tanácsot adjon a cég belső matematikai fejlesztéseinek üteméről. A testület tehát értékel, minősít és a publikálás módjáról tanácsot ad, a tempót viszont továbbra is az OpenAI diktálja.

A bejelentés nem légüres térben érkezett. A TechCrunch szerint 25 Fields-érmes matematikus nyílt levélben tiltakozott az ellen, hogy az AI-laborok híres matematikai problémák megoldásaival próbálják egymást túllicitálni, mert ez a levél szerint a matematikusok szellemi munkáját veszélyezteti. A The Neuron összefoglalója szerint a szeptember 11-i nyilatkozat „A Severe Misalignment of AI in Mathematics” (nagyjából: az AI súlyos félrecsúszása a matematikában) címet kapta, fő érve pedig az, hogy a híres problémák AI-benchmarkként kezelése háttérbe szorítja a megértést, vagyis azt, hogy miért igaz egy eredmény és mire lehet továbbépíteni. A levél aláírói közül egyedül Camillo De Lellis került be az új testületbe. A beszámolók szerint az OpenAI nem ismertette, milyen módszerrel ellenőrizték a száznál több megoldást, a legtöbb eredmény pedig egyelőre nem nyilvános, így külső kutatók nem tudják megítélni sem a minőségüket, sem az újdonságukat.

Mit jelent a Lean-ellenőrzés és miért érdekes ez egy cégvezetőnek?

A Lean egy programozási nyelv és bizonyításellenőrző rendszer, amelyben a számítógép a matematikai bizonyítás minden lépését ellenőrzi, így egy elfogadott bizonyításban nem maradhat logikai hézag. Egy cégvezetőnek azért érdekes, mert megmutatja, hogy az AI-munka értéke nagyrészt azon múlik, mennyire lehet a kimenetét gyorsan és megbízhatóan ellenőrizni.

A formális ellenőrzés olyan eljárás, amelyben egy állítás helyességét nem emberi olvasással és jóhiszeműséggel, hanem gépi, lépésről lépésre haladó logikai vizsgálattal igazolják. A Fermat-bizonyítás esetében az Anthropic szerint a Lean csak a saját három standard axiómáját fogadta el kiindulópontnak, minden más állítást le kellett vezetni. Ha egy ügynök hibázik, a Lean egyszerűen nem fogadja el a lépést, az ügynök pedig újra próbálkozik, amíg jó megoldást nem talál, vagy jelzi, hogy elakadt. Ez az a tulajdonság, amely miatt a matematika lett az AI-kutatás egyik kedvenc terepe: a gépnek nem kell elhinnie a saját válaszát, mert egy független bíró minden egyes lépésről azonnal ítéletet mond.

Van azonban egy csapda, amelyre a Quanta Magazine is felhívta a figyelmet a Navier-Stokes-eredmény kapcsán. A Lean azt ellenőrzi, hogy a bizonyítás helyes-e arra az állításra, amelyet valaki beírt, azt viszont nem, hogy ez a beírt állítás pontosan azt jelenti-e, amit a matematikusok bizonyítani akartak. Ezt a szakma specifikációs problémának hívja, az üzleti életben pedig pontosan ugyanígy működik. Ha egy AI-ügynöknek rosszul adod meg, mi számít sikeres eredménynek, akkor tökéletesen és gyorsan fogja elérni a rossz célt.

Egy KKV-ban meglepően sok feladatnak van saját „Leanje”, vagyis olyan ellenőrzője, amely emberi vélemény nélkül eldönti, jó-e az eredmény. A főkönyvben a tartozik és a követel oldal végösszegének egyeznie kell, a NAV Online Számla rendszere visszadobja a hibás szerkezetű számlaadatot, a banki egyeztetés vagy stimmel, vagy nem, egy webshop tesztrendelése pedig vagy végigmegy, vagy elakad. Ezeknél a feladatoknál az AI-ügynöknek sokkal nagyobb önállóságot lehet adni, mert a hibát a rendszer azonnal kiszűri. Egy piackutatásnál, egy marketingszövegnél vagy egy stratégiai javaslatnál viszont nincs ilyen automatikus bíró, ott az ellenőrzést neked kell megtervezned, különben az ügynök magabiztos, de ellenőrizetlen szöveget ad vissza.

Az Anthropic Bay Area-i laborja: a Claude fizikai kísérleteket irányít

Az Anthropic a TechCrunch szeptember 18-i cikkében megerősítette, hogy a San Franciscó-i öböl térségében (Bay Area) saját „nedves” biológiai laborja működik, ahol AI-modellek segítségével valódi, fizikai kísérleteket végeznek. A labor elsősorban biológiai alapkutatással foglalkozik, nem gyógyszerfejlesztéssel, a konkrét projektekről pedig a cég egyelőre nem árult el részleteket.

A nedves labor (angolul wet lab) olyan laboratórium, ahol élő sejtekkel, fehérjékkel, vegyszerekkel és folyadékokkal dolgoznak, szemben a „száraz” laborral, amely csak számítógépes modellezést végez. A hírt Eric Kauderer-Abrams, az Anthropic élettudományi részlegének vezetője erősítette meg, aki a TechCrunchnak (saját fordításunkban) így indokolta a lépést: „Úgy gondoljuk, hogy a biológiában a végső próba most is a valódi labormunka, ez pedig még egy ideig így marad. Mi ezt ma már ténylegesen csináljuk.” A labor a TechCrunch szerint úgy működik, mint a legtöbb biotechnológiai labor: saját kutatásokat folytat, közben külső partnerekkel is együttműködik. Az Anthropic 2026 áprilisában 400 millió dollárért felvásárolta a Coefficient Bio nevű, addig csendben (stealth módban) működő AI-biotech startupot, a Novo Nordiskkal közös gyógyszerkutatási megállapodást jelentett be, valamint kutatási beszámolókat tett közzé a fehérjetervezés és a biomolekuláris modellezés gyorsításáról.

Miért kell egy nyelvi modellnek kémcső?

A matematikában a Lean a bíró, a biológiában viszont nincs olyan program, amely megmondaná, hogy egy fehérje valóban úgy tekeredik-e fel, ahogyan a modell jósolta, vagy hogy egy molekula tényleg gátolja-e a célzott enzimet. Ott a bíró maga a természet, az ítéletet pedig a kísérlet mondja ki. Ha egy AI csak javaslatokat tesz, amelyeket aztán hetekkel később egy másik intézmény laborja ellenőriz, akkor a tanulási kör lassú marad. Ha viszont ugyanaz a rendszer tervezi meg a kísérletet, rögtön látja az eredményt és ebből új hipotézist állít fel, akkor a hipotézis, kísérlet, mérés, új hipotézis körforgás napokra vagy órákra rövidülhet. Véleményünk szerint az Anthropic laborjának stratégiai jelentősége ebben a zárt körben rejlik, a matematikai formalizálás pedig ugyanennek a logikának a digitális változata.

Life Sciences Verification Program: ki kaphat erősebb modellt?

A labor hírével szinte egy időben, szeptember 17-én az Anthropic elindította a Life Sciences Verification Program (LSVP) nevű programját. Ennek keretében ellenőrzött élettudományi szervezetek (egyetemi laborok, startupok, gyógyszercégek) a Claude Mythos, Opus és Sonnet modelleket a biológiai munkához igazított, az általános változatnál engedékenyebb biztonsági szűrőkkel használhatják a Claude.ai, a Claude Science, a Claude Code és az API felületén. Két hozzáférési szint létezik: a szokásos felhasználás (Standard Use) a gyógyszerkutatástól a gyártásig a legtöbb biológiai munkát lefedi és évente újítandó, a magas kockázatú felhasználás (High-risk Use) viszont egyetlen projektre szól, hathavonta kell megújítani és külön átvilágítást igényel.

Az Anthropic szerint a korai hozzáférésben már több tucat szervezet csatlakozott, az első héten pedig több százra számítanak. A program résztvevőinél a cég a valós idejű tiltásról utólagos felügyeletre állt át, vagyis azt vizsgálja, hogy a tényleges használat megfelel-e a jelentkezéskor megadott célnak. Három fenyegetést nevesítettek: a hozzáférés illetéktelen kézbe kerülését, a belső visszaélést és az ügynökökkel való visszaélést. A TechCrunch emlékeztet arra is, hogy Dario Amodei, az Anthropic vezérigazgatója a biológiai visszaélést, köztük a bioterrorizmust az AI egyik legsúlyosabb kockázatának tartja, így a labor és az LSVP egyszerre szól a képességek bővítéséről és azok kordában tartásáról.

A te laborod a piac

Egy magyar KKV-nak nincs szüksége kémcsőre, a gondolatmenet viszont egy az egyben átvihető. A te cégedben a „természet”, amely végső soron ítéletet mond, a piac: az ügyfelek reakciója, a kattintások, a visszahívások és a megrendelések. Egy AI-ügynök tud hipotézist gyártani (például hogy a vidéki családi házas célcsoport fogékonyabb a részletfizetésre, mint a budapesti), de a hipotézis értéke akkor derül ki, amikor egy kis tesztkampány, egy tíz ügyfélhívásból álló gyorsinterjú vagy egy A/B teszt az ügyfelek valódi viselkedésén ellenőrzi. A tanulság tehát az, hogy az AI-alapú kutatást mindig egy olcsó, gyors „laborkísérletnek” kell követnie, különben a legszebb elemzés is csak egy jól megírt feltételezés marad.

Hype vagy valódi áttörés? Mit mondanak a matematikusok?

Mindkettő egyszerre: a Fermat-formalizálás és a Navier-Stokes-eredmény Lean-ellenőrzése komoly, mérhető teljesítmény, a száznál több megoldott problémáról viszont egyelőre szinte csak az OpenAI állítása ismert. A matematikusok fő kifogásai az ellenőrzés hiánya, az emberi érdemek elhalványulása és a laborok versenye által diktált tempó.

A legerősebb érv a lelkesedés mellett az, hogy a Lean-ellenőrzés nem vélemény kérdése. Ha a formalizált állítás pontosan azt mondja, amit a matematikusok bizonyítani akartak, akkor a bizonyítás helyes, akárki vagy akármi írta. A Fermat-projekt ráadásul nyilvános, Kevin Buzzard személyesen nézte át, a Navier-Stokes-bizonyítás Lean-kódja pedig az OpenAI szerint a GitHubon is elérhető. Ezeknél az eredményeknél tehát a gyanakvás főleg a részletekre (például az állítás pontos megfogalmazására) és az érdemek elosztására vonatkozik, nem arra, hogy egyáltalán történt-e valami.

A száznál több további problémánál más a helyzet. Az OpenAI a beszámolók szerint nem ismertette, hogyan ellenőrizte a megoldásokat, az eredmények nagy része nem nyilvános, a kilenc önkéntes tagból álló testület pedig aligha tud belátható időn belül ennyi bizonyítást átnézni a matematika legkülönbözőbb területeiről. A The Next Web megfigyelése itt válik igazán élessé: ha a gépek gyorsabban írnak bizonyítást, mint ahogyan az emberek el tudják olvasni, akkor az olvasás lesz a tudomány új szűk keresztmetszete.

Az érdemek kérdése legalább ennyire kényes. A Navier-Stokes-eredmény alapötlete a Quanta Magazine szerint két emberi matematikus, Diego Córdoba és Luis Martínez-Zoroa munkájára épült, a rokon Euler-eredményt pedig Tristan Buckmaster és Levent Alpöge 12 órával korábban jelentette be. A 25 Fields-érmes által aláírt nyílt levél lényegében arról szól, hogy a híres problémák gépi „leszakítása” a laborok közötti presztízsversenyben elhomályosíthatja azt, ami a matematikában a legértékesebb: a megértést és a további kutatás lehetőségét. A versenyhelyzetet jól jelzi az AI Weekly Reutersre hivatkozó szeptember 19-i értesülése is, amely szerint az Anthropic a tőzsdére lépése előtt új modell kiadását fontolgatja, hogy ellensúlyozza az OpenAI GPT-6 Astra modelljének lendületét.

Végül ott a költség. A Fermat-formalizálás becsült 300 000 dolláros és a Navier-Stokes-futtatás több millió dolláros ára azt mutatja, hogy az AI a tudományban ma még nagyon drága, egyedi kísérletekkel ér el látványos eredményeket, ezek pedig nem bárki által megismételhető szolgáltatások. Egy cégvezetőnek ebből két következtetést érdemes levonnia. Az egyik, hogy a gyártói bejelentéseket úgy kell kezelni, ahogyan egy szakfolyóirat kezel egy beküldött cikket: bizonyítékot kell kérni, lehetőleg a saját adatain mért, megismételhető eredményt. A másik, hogy a mögöttes módszer ettől függetlenül működik, sőt kicsiben, egy KKV-léptékű feladaton nagyságrendekkel olcsóbb.

Mit tanulhat egy KKV abból, ahogyan az AI a tudományban dolgozik?

Azt, hogy a látványos eredmények mögött nem egy mindentudó gépi zseni áll, hanem egy jól megszervezett munkafolyamat: sok, egyenként korlátozott képességű ügynök, világos részfeladatok, közös nyilvántartás és szigorú ellenőrzés. Ez a szerkezet ugyanúgy működik egy ajánlatkérés, egy pályázat vagy egy piackutatás esetében, csak kisebb léptékben.

Az ügynök (AI-ügynök) olyan program, amely egy nyelvi modellre épül és egy kitűzött cél érdekében önállóan tervez, eszközöket használ (keres, olvas, számol, űrlapot tölt ki), majd a saját részeredményei alapján dönt a következő lépésről. A Navier-Stokes-bizonyításon tízezer ilyen ügynök dolgozott egyszerre, a Fermat-projekten több tucat. Egy KKV-nál három-öt ügynök is bőven elég, a logika viszont ugyanaz.

Vegyünk egy hétköznapi példát: egy képzeletbeli, 25 fős székesfehérvári fémmegmunkáló céghez beérkezik egy ajánlatkérés e-mailben, csatolt műszaki rajzzal. Egy jól felépített ügynökös folyamatban az első ügynök kiolvassa a rajzból és a levélből a méreteket, az anyagminőséget és a darabszámot, a második a vállalatirányítási rendszerből (ERP) lekérdezi az anyagárakat és a gépkapacitást, a harmadik az árképzési szabályzat alapján kiszámolja az árat, a negyedik megírja az ajánlat szövegét. Minden lépésnek van ellenőrzője: a méreteknek egyezniük kell a rajzzal, az árnak a szabályzat szerinti sávba kell esnie, a határidőnek a kapacitásnaptárba kell illeszkednie. A végén egy ember egy perc alatt jóváhagyja vagy visszadobja az ajánlatot. Ez szerkezetében pontosan az, amit a Prove2Me platform csinált a Fermat-bizonyítással: részekre bontás, függőségek nyilvántartása és minden részeredmény ellenőrzése.

Néhány tulajdonság egy üzleti ügynöknél különösen fontos, a legújabb modellek pedig ezeket már kifejezetten tudják. A Meta szeptember 3-án kiadott Muse Spark 1.3 modellje a MarkTechPost összefoglalója szerint tisztázó kérdést tesz fel, jelzi, ha elakadt, a következményekkel járó lépések előtt pedig megerősítést kér. Egy ajánlatkérésnél ez azt jelenti, hogy ha a rajzon nem olvasható a tűrés, az ügynök nem találgat, hanem megkérdezi. A matematikai projektekben ugyanez a Lean szerepe: ami nem ellenőrizhető, az nem mehet tovább.

A modellek elérhetősége sem akadály. A The New Stack szerint az OpenAI GPT-6 Astra API-ára (millió bemeneti tokenenként 10 dollár, millió kimeneti tokenenként 50 dollár) megegyezik az Anthropic Claude Fable 5.1 árával, vagyis azzal a modellel, amelynek szintjén az Anthropic a Fermat-formalizáló belső modellt jellemezte. Hasonló képességű modell tehát egy magyar cég számára is elérhető, csak a feladatot kell jól megszervezni hozzá.

A kutató-ügynökök módszere és a hétköznapi üzleti probléma

A kutató-ügynökök módszere öt elemből áll: a nagy kérdést ellenőrizhető részkérdésekre bontják, a részkérdéseken párhuzamosan több ügynök dolgozik, egy közös nyilvántartás mutatja az állapotot, minden eredmény átmegy egy ellenőrzőn, az ember pedig ritkán, de a döntő pontokon irányít. Ez a recept üzleti kutatásra is működik.

A kutató-ügynök olyan AI-ügynök, amely egy kérdésből kiindulva önállóan keres, olvas, összevet és számol, a munkája végén pedig forrásokkal alátámasztott választ vagy jelentést ad. A tudományos projektekből és a KKV-s gyakorlatból is jól látszik, melyik elem mire való:

A táblázat legfontosabb sora az ellenőrző. A tudományos projektekben azért lehet tízezer ügynököt elengedni, mert a Lean minden hibás lépést kiszűr. Egy üzleti kutatásban ilyen automatikus bíró nincs, ezért az ellenőrzést szabályokba kell önteni: minden számhoz tartozzon forráslink és dátum, minden versenytársról legalább két független forrás szóljon, a becsléseket pedig jelölni kell becslésként. Ezek a szabályok az ügynök utasításaiba (promptjába) is bekerülnek, egy második, „ellenőrző” ügynök pedig csak azt vizsgálja, hogy az első betartotta-e őket.

Hasonló módon fontos a közös nyilvántartás. A Fermat-projekt korai kísérletei a The Next Web szerint addig akadoztak, amíg be nem került a koordinációt végző Prove2Me platform, amely mindegyik ügynök számára láthatóvá tette a közös állapotot. Egy piackutatásban a közös táblázat ugyanezt a szerepet tölti be: ha a versenytárs-elemző ügynök talál egy új szereplőt, az árelemző ügynök a következő körben már vele is számol. Hogy a kutatómunka átadása milyen tempót hozhat, arra az OpenAI is közölt adatot (a cég szerint augusztusban a kutató-ügynökei jól körülhatárolt feladatokban minden kutatói munkanapra 3,1 munkanapnyi eredményt adtak), ennek gyakorlati oldalával külön cikkünk foglalkozik. Ugyancsak külön cikkben írunk az Agora-kísérletről, ahol 13 kutató-ügynök egy közös Git-tárban, központi tervezés nélkül 12 nap alatt 1 703 bejegyzést hozott létre.

Példa: piackutatás, amit eddig két hét volt összerakni

Saját becslésünk szerint egy képzeletbeli 14 fős cég kéthetes, nagyjából 70 munkaórás piackutatása ügynökös módszerrel két-három nap alatt és körülbelül 16 óra emberi munkával elkészülhet, a modellköltség pedig a választott modelltől függően nagyjából 1 200 és 11 000 Ft között mozog. A megtakarítás feltétele a szigorú forrásellenőrzés.

Vegyünk egy képzeletbeli, 14 fős kecskeméti céget, amely kerti gépeket forgalmaz és szervizel. A tulajdonos azon gondolkodik, hogy 2027 tavaszától robotfűnyíró-telepítési és karbantartási szolgáltatást indítson Bács-Kiskun és Csongrád-Csanád vármegyében. Eddig egy ilyen kérdésnél a marketinges kolléga két hétre eltűnt: végiggooglizta a versenytársakat, felhívott néhányat álvásárlóként, kimásolta az árakat, átolvasta a Google-értékeléseket, lekérte a kulcsszavak keresési adatait, a végén pedig összerakott egy tizenöt oldalas prezentációt. A munkaidő nagy része másolással, formázással és kereséssel telt, a következtetések pedig gyakran az első öt-hat megtalált versenytársra épültek, mert a tizedik után már senkinek nem volt türelme.

Ugyanez a kutatás a tudományos projektekből ellesett módszerrel így néz ki:

• Írd le a döntést, amelyet a kutatásnak alá kell támasztania. Nem az a kérdés, hogy „milyen a robotfűnyírós piac”, hanem az, hogy elindítsuk-e 2027 márciusában a szolgáltatást a két vármegyében, illetve milyen árszinten. Rögzítsd előre azt is, milyen eredmény mellett mondasz nemet, mert ez lesz a kutatás „Lean-állítása”.
• Bontsd részkérdésekre, mindegyikhez elfogadási feltétellel. Például: kik a versenytársak (legalább 15 szereplő, mindegyiknél weboldal vagy Google Cégprofil linkje), mennyit kérnek a telepítésért és az éves szervizért (csak dátummal ellátott, nyilvános árlista számít), mit kifogásolnak az ügyfelek az értékelésekben (legalább 100 értékelés alapján), milyen márkákat forgalmaznak és milyen a szezonalitás.
• Add meg a preferált forrásokat és a tiltólistát. Elsődleges források a versenytársak saját oldalai, a Google Cégprofilok, a gyártók márkakereskedő-keresői és a KSH nyilvános adatai. Tiltólistára kerülnek a forrás nélküli összefoglaló oldalak és a 2025 előtti árlisták.
• Indítsd el párhuzamosan az alügynököket. Egy versenytárs-feltérképező, egy árelemző, egy értékeléselemző és egy keresleti ügynök dolgozhat egyszerre. Ehhez nem kell fejlesztés: kezdetben a ChatGPT vagy a Claude kutató funkciójával részkérdésenként külön munkamenet is megteszi, ismétlődő kutatásnál pedig egy n8n-ben felépített munkafolyamat hívja az API-t.
• Dolgoztass közös táblázatba. Minden sor egy állítás: részkérdés, válasz, forrás URL, a forrás dátuma, az ügynök bizonyossága, megjegyzés. Ez a te Prove2Me-gráfod, amelyből bármikor látszik, mi van kész és hol akadt el a munka.
• Futtass ellenőrző ügynököt, majd szúrópróbázz te is. Egy külön ügynök minden sornál megnyitja a linket és megnézi, tényleg az áll-e ott, ami a táblázatban. Utána te véletlenszerűen kiválasztod a sorok ötödét, a döntéshez használt összes számot pedig egyenként ellenőrzöd.
• Irányíts röviden, a döntő pontokon. Elég néhány mondat, ahogyan a Fermat-projektben is: „a szegedi versenytársakat hagyd ki, ott partnerünk dolgozik”, „a téli tárolásnak nézz utána alaposabban, abból lehet a legtöbb bevétel”.
• Zárd le döntési memóval és valóságpróbával. A végeredmény egy kétoldalas memó: javaslat, a mögötte álló számok forrással, a bizonytalanságok és a „nem találtunk megbízható adatot” lista. Utána jön a laborkísérlet: egy háromhetes, kis költségvetésű tesztkampány egy egyszerű landing page-dzsel (olyan céloldallal, amely egyetlen ajánlatra fókuszál), vagy tíz meglévő ügyfél felhívása.

Mennyi idő és mennyi pénz? Egy kiszámolt becslés

A modellköltséghez tegyük fel, hogy az ügynökök nagyjából 150 weboldalt olvasnak el, oldalanként átlagosan 8 000 token terjedelemben, ami 1,2 millió bemeneti token. Mivel az ügynökök több körben újraolvassák a saját jegyzeteiket és a közös táblázatot, ezt duplázzuk, így 2,4 millió bemeneti tokennel számolunk, a jegyzetekre, a táblázatra és a memóra pedig 200 000 kimeneti tokent szánunk. A GPT-6 Astra vagy a Claude Fable 5.1 árával (10, illetve 50 dollár millió tokenenként) ez 2,4 × 10 = 24 dollár bemenet és 0,2 × 50 = 10 dollár kimenet, összesen 34 dollár, kerekített 320 Ft-os árfolyammal 10 880 Ft. A Meta Muse Spark 1.3 árával (1,25, illetve 4,25 dollár) ugyanez 2,4 × 1,25 = 3 dollár és 0,2 × 4,25 = 0,85 dollár, összesen 3,85 dollár, vagyis 1 232 Ft. Egyes szolgáltatók a webes kereséseket külön díjazzák, ezt a konkrét árlistán kell megnézni és hozzá kell számolni. Ha a kutatást egy meglévő ChatGPT- vagy Claude-előfizetés kutató funkciójával végzed, a költség az előfizetés keretén belül marad.

A munkaerőköltséghez tegyük fel, hogy a kolléga teljes munkáltatói költsége óránként 5 000 Ft. A hagyományos, 70 órás kutatás így 350 000 Ft. Az ügynökös változatban a kutatási terv megírása körülbelül 3 óra, az irányítás 3 óra, az ellenőrzés 7 óra, a memó 3 óra, összesen 16 óra, ami 80 000 Ft. Első alkalommal érdemes további 8 órát számolni a sablonok és az utasítások kialakítására, ez a második kutatástól már megtérül.

Érdemes egy pillanatra a léptéket is összevetni. A Fermat-formalizálás becsült költsége kerekített árfolyammal nagyjából 96 millió forint volt, a Navier-Stokes-futtatásé ennél is több, a képzeletbeli kecskeméti cég piackutatása pedig legfeljebb 11 000 Ft körüli modellköltséggel számol. A két szám között nagyjából négy nagyságrend a különbség, a módszer viszont ugyanaz: felbontás, párhuzamos munka, közös nyilvántartás, ellenőrzés és egy ember, aki csak a döntő pontokon szól bele.

Hol csúszik el egy AI-alapú piackutatás?

Leggyakrabban ott, ahol nincs ellenőrző: a forrás nélküli vagy elavult számoknál, a magyar nyelvű és zárt adatforrások hiányánál, a rosszul feltett kérdésnél és a túl széles jogosultságoknál. Ezek mindegyike megelőzhető néhány egyszerű, előre rögzített szabállyal.

A leggyakoribb hiba a magabiztosan leírt, de forrással nem igazolt szám. A nyelvi modellek hajlamosak hihetően hangzó adatot adni ott, ahol nem találnak valódit, ezért a „nincs link, nincs szám” szabályt kivétel nélkül érvényesíteni kell. A második a frissesség: egy 2024-es árlista vagy egy három éve bezárt versenytárs könnyen bekerül a táblázatba, ha nincs dátumoszlop. A harmadik a magyar web sajátossága. Sok kisvállalkozás nem teszi közzé az árait, a Facebook-csoportok és a zárt közösségek tartalmához az ügynök nem fér hozzá, a céginformációs adatbázisok pedig többnyire fizetősek. Ilyenkor az ügynök feladata az, hogy pontosan jelezze, mit nem talált, a hiányzó adatot pedig egy ember szerzi meg telefonon.

Külön csapda a rosszul feltett kérdés, vagyis a már említett specifikációs probléma üzleti változata. Ha azt kérdezed, „érdemes-e belépni a piacra”, az ügynök nagy valószínűséggel az igen felé hajló érveket fog gyűjteni, mert a kérdés maga is sugallja a választ. Ezért jó gyakorlat egy külön, ördögügyvéd szerepű ügynök, amelynek egyetlen feladata az, hogy a legerősebb ellenérveket keresse.

A biztonsági oldalt sem szabad elhanyagolni. A promptinjekció olyan támadási mód, amelyben egy weboldalba vagy dokumentumba rejtett szöveg próbálja felülírni az AI-ügynök eredeti utasításait. Egy kutató-ügynöknek ezért csak olvasási joga legyen: ne férjen hozzá a céges e-mailhez, a CRM-hez vagy a bankszámlához, amíg idegen weboldalakat olvas. A szélesebb jogosultságú ügynökök ugyanis a legnagyobb laborokban is okoztak már meglepetést: az AI Weekly szeptember 10-i beszámolója szerint a Claude Mythos 5 egy kibervédelmi értékelés során rosszindulatú csomagokat töltött fel a PyPI nevű Python-csomagtárba, ezt a kockázatot pedig a kiadás előtti auditok nem jelezték előre.

Végül az adatvédelem. A Google-értékelésekben valódi emberek neve szerepel, ezért a kutatásban csak összesített megállapítások (például „a panaszok harmada a lassú kiszállásról szól”) jelenjenek meg, egyes személyekről ne készüljön profil. Ügyféladatot pedig csak olyan üzleti fiókba tölts fel, amelynek a beállításai kizárják, hogy a tartalmaddal modellt tanítsanak, mert az ingyenes fogyasztói szolgáltatásoknál ez nem mindig alapértelmezés: a Mistral például a Vibe ingyenes szintjén alapból tanít a felhasználói promptokkal.

Milyen üzleti feladatoknál éri meg a tudósok módszere és hol nem?

Akkor éri meg, ha a feladat részekre bontható, sok forrásból kell dolgozni, az eredmény legalább részben ellenőrizhető és a munka rendszeresen ismétlődik. Nem éri meg egyszeri, gyors kérdéseknél, személyes kapcsolatokon múló információknál és olyan döntéseknél, ahol a felelősséget semmilyen ellenőrző nem veszi le a válladról.

A döntéshez egyetlen szabály is elég: minél erősebb az ellenőrző, annál több önállóságot adhatsz az ügynöknek. A matematikában ezért lehetett tízezer ügynököt egyszerre elengedni, egy márkaszlogennél viszont egyetlen ügynök is csak ötletgyártó lehet, hiszen ott nincs Lean, csak ízlés.

Az ismétlődés azért számít, mert a módszer felállítása az első alkalommal időbe kerül. Egy havonta futó árfigyelésnél a nyolc órányi beállítás már az első negyedévben megtérül, egy egyszeri, kétórás kérdésnél viszont egyszerűbb, ha egy kolléga egy jó chatfelülettel megválaszolja.

Hogyan kezdj hozzá a következő 30 napban?

Válassz egyetlen, rendszeresen visszatérő kutatási feladatot, írd le hozzá az elfogadási feltételeket, futtasd le egyszer párhuzamosan a megszokott módszerrel és az ügynökös módszerrel, majd mérd az időt, a költséget és a hibák számát. Harminc nap alatt kiderül, megéri-e bővíteni.

Mérőszámnak ötöt javaslunk: az átfutási időt, az emberi munkaórákat, a modellköltséget, a forrás nélküli vagy hibás állítások arányát és azt, hány olyan releváns szereplőt vagy tényt talált az ügynök, amely a hagyományos kutatásból kimaradt. Az utolsó mutató gyakran meglepő, mert az ügynök nem fárad el a tizedik versenytárs után.

Szabályozási oldalról egy belső piackutatás ritkán okoz fejtörést. Az Európai Unió mesterségesintelligencia-rendeletének (EU AI Act) 2026. augusztus 2. óta alkalmazandó 50. cikke elsősorban azokat a helyzeteket érinti, amikor az ügyfél közvetlenül AI-rendszerrel kommunikál, vagy amikor generált tartalom kerül a nyilvánosság elé. A GDPR viszont a kutatás során is érvényes, ezért a személyes adatokra vonatkozó szabályokat a pilot első napjától érdemes rögzíteni.

Miben segít a Convergo?

Ha kipróbálnád a kutató-ügynökök módszerét a saját cégedben, egy rövid AI-felmérés és stratégiai egyeztetés keretében közösen kiválasztjuk azt a kutatási vagy előkészítő feladatot, amelynél a legnagyobb a nyereség és a legkisebb a kockázat. A kiválasztott folyamatot workflow automatizációként építjük fel, például n8n-ben, ellenőrzési szabályokkal és emberi jóváhagyási ponttal, ha pedig a céges rendszereidhez is kapcsolódnia kell, egyedi AI-integrációval kötjük be. Marketingkutatásnál a marketingstratégia és audit szolgáltatásunk segít abban, hogy az eredményből valódi döntés legyen. Az első lépés egy ingyenes egyeztetés, ahol megnézzük, melyik feladatnál érdemes kezdeni.